老板："你听说过ClickHouse吗？简称叫CK！！！"



我："听说过，不是个内裤品牌吗？谁没听说过？你想干什么?！！"



老板："不是内裤！！是CH！！是一款OLAP数据库，给你看，这是它的测试报告"



我："假的吧，单机性能就这么高？怎么可能！！！"



老板："不信你自己试试！！"



一番捣鼓之后



我："。。。。。。。"



颠覆三观、陷入无限思考，心中只有三个字:

这是什么鬼！！



上述是我的一段亲身经历。



很多初识CH的人，内心都会经历这么几个阶段：

相遇，会被它那惊叹的性能所吸引；

疑惑，开始质疑它的真实性；

困惑，在亲自论证了可靠性后，身体虽然是相信了，但内心依然觉得不可思议，不明就里。



于是乎，为什么ClickHouse这么快?  渐渐成了一个不解之谜。



作为一个拥有ClickHouse信仰标签的忠实粉丝，我自然也是追寻谜底的一份子。在我苦苦寻觅许久之后，今天，终于被我找到了答案。所以特地拿来与各位分享，谜底就在下面：





翻译过来的意思是:



这是纯魔法，是由前苏联科学家提供的技术.

他们曾经用来制造火箭.



看到没?！这就是ClickHouse的黑魔法。



好吧，这其实是我今天刚看到的一则笑话，来自于中科院计算所博士，郑天祺 (Amos Bird)，同时他也是一名ClickHouse的Committer。



虽然刚才的谜底是假的，但疑问是真真切切存在的，为什么ClickHouse这么快？



已经有很多人，对这个问题做出过科学合理的解释。

比如有人说，因为ClickHouse是列存数据库，所以快；

也有人说，因为ClickHouse使用了向量化引擎，所以快。



这些解释都站得住脚，但是依然不能消除我的疑问。因为这些技术并不是秘密，世面上有很多数据库同样使用了这些技术，但是依然被ClickHouse秒杀呀？



所以，今天我想从另外一个角度，来探讨一下ClickHouse的黑魔法，它到底是什么。



要找到问题的谜底，其实有一个很简单的办法，那就是听听作者们自己是怎么说的呗。

画外音："说的轻巧，去哪里找作者倾诉呢？"



所以说，勤奋的人们总是容易被幸运眷顾，你看这不:



恰好，在2019的年末，在北京举行了 中国大数据技术大会（BDTC 2019）；

恰好又，这个大会邀请了 ClickHouse项目的创始人兼开源社区创始人，Alexey Milovidov；

恰恰好又，Alexey Milovidov 在大会上做了一次主题分享；

恰恰恰好又，这个分享主题就叫做 The Secrets of ClickHouse Performance Optimizations。



各位说说，怎么就这么巧呢？简直做梦都要笑醒的节奏啊。



既然作者已经做了分享，那我就从这次分享出发，对ClickHouse的黑魔法做一番分析总结吧。



开篇伊始，Alexey Milovidov就抛出了一个灵魂的质问:

做设计的原则，到底应该是 自顶向下 的去设计，还是应该 自下而上 的去设计 ？



在传统观念中，或者说在我的观念中，自然是 自顶向下的，做架构设计首先自然做的是顶层设计:

• 事先应该做高层次的抽象设计;

• 规划好各个模块的职责、切分的界面；

• 分配好工程结构、包结构，最好能再来一些设计图，等等。



而ClickHouse的设计，则采用了 自下而上。

ClickHouse的原型系统早在2008年就诞生了，在诞生之初，它并没有宏伟的规划。相反，它的目的很单纯，就是希望能以最快的速度进行GROUP BY查询和过滤。

他们是如何实践 自下而上 设计的呢？



着眼硬件，先想后做



从硬件功能层面着手设计，在设计伊始，就至少需要想清楚这么几个问题：



1. 我们将要使用的硬件水平是怎样的？包括CPU、内存、硬盘、网络等等；

2. 在这样的硬件上，我们需要达到怎样的性能？包括延迟、吞吐量等等;

3. 我们准备使用怎样的数据结构？包括String、HashTable、Vector等等；

4. 选择的这些数据结构，在我们的硬件上会如何工作？



如果你能想清楚上面的问题，那么在动手实现功能之前，就已经能够计算出粗略的性能了。



所以，基于将硬件功效最大化的目的，ClickHouse会在内存中进行GROUP BY，并且使用HashTable装载数据。于此同时，他们非常在意CPU L3级别的缓存，因为一次L3 cache miss会带来70~100纳秒的延迟。这意味着，在单核CPU上，它会浪费4000万/每秒的运算；而在一个32线程的CPU上，则可能会浪费5亿/每秒的运算。



所以别小看这些细节，一点一滴的将它们累加起来，数据是非常可观的。也正因为注意了这些细节，所以ClickHouse在基准查询中，能做到1.75亿/每秒的数据扫描性能。



算法在前，抽象在后



最近常听人念叨，"有时候，选择比努力更重要"。 确实，路线选错了，再努力也是白搭。



在ClickHouse的底层实现中，经常会面对这些场景：字符串子串查询；数组排序；使用HashTable等。



如何才能在实现性能的最大化呢？算法的选择是重中之重！！！



以字符串为例，有一本专门讲解字符串搜索的书，叫做 "Handbook of Exact String Matching Algorithms"，这本书列举了35种常见的字符串搜索算法，你猜ClickHouse使用了其中的哪一种？



一种都没用！！ 为什么？因为性能不够快。



在字符串搜索方面，针对不同的场景，ClickHouse最终选择了这些算法：

对于常量，使用Volnitsky算法；

对于非常量，使用CPU的向量化执行SIMD，暴力优化;

正则匹配使用re2和hyperscan算法。



勇于尝鲜，不行就换



除了字符串之外，其余的场景也与它类似，ClickHouse会使用最合适、最快的算法。如果世面上出现了，号称性能强大的新算法，他也会将其纳入，进行验证。如果效果可行，就保留使用；如果性能不尽人意，就将其抛弃。



特定场景，特殊优化



针对在同一个场景的，不同的状况，选择使用不同的实现方式，尽可能的将性能最大化。关于这一点，其实在刚才介绍字符串查询时候，针对不同场景，选择不同的算法就能体现了。类似的例子还有很多，例如去重计数uniqCombined函数，根据数据量的不同，会选择不同的算法:



当数据量较小的时候，会选择Array保存;

当数据量中等时候，则会选择HashSet;

而当数据量很大的时候,则使用HyperLogLog算法。



包括对于数据结构比较清晰的场景，会通过代码生成技术，实现循环展开，以减少循环次数。



还包括大家熟知的大杀器，向量化执行了。SIMD被广泛的应用于文本转换、数据过滤、数据解压和JSON转换等场景。利用寄存器暴力优化，相较于单纯的使用CPU而言，也算是一种降维打击了。



持续测试，持续改进



如果只是单纯的，在上述的细节上下功夫，还不足以构建出如此强大的ClickHouse，这里还需要拥有一个能够持续验证、持续改进的机制。



由于Yandex的天然优势，ClickHouse经常会使用真实的数据做测试，这一点很好的保证了测试场景的真实性。于此同时，ClickHouse也是我见过发版速度最快的开源软件了，每个月都至少能发布一个版本，没有一个可靠的持续集成环境，这一点也是做不到的。也正因为拥有这样的发版频率，他们能够快速迭代、快速改进。



好了，上述这些，就是我对Alexey Milovidov这次分享的一些总结和个人理解了。

最后，就以ClickHouse的口号，作为结束吧：



The ClickHouse Style:

as efficient as possible

as fast as possible



正如口号所言，他们做到了。



所以，ClickHouse的黑魔法并不是一项单一的技术，而是一种自底向上的，追求极致性能的设计思路。